KR20060079060A - 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및장치 - Google Patents

얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및장치 Download PDF

Info

Publication number
KR20060079060A
KR20060079060A KR1020050046683A KR20050046683A KR20060079060A KR 20060079060 A KR20060079060 A KR 20060079060A KR 1020050046683 A KR1020050046683 A KR 1020050046683A KR 20050046683 A KR20050046683 A KR 20050046683A KR 20060079060 A KR20060079060 A KR 20060079060A
Authority
KR
South Korea
Prior art keywords
texture information
face
image
partial images
detected
Prior art date
Application number
KR1020050046683A
Other languages
English (en)
Other versions
KR100707195B1 (ko
Inventor
기석철
서빈
왕양생
이자청
황향생
주효욱
Original Assignee
삼성전자주식회사
중국과학원 자동화연구소
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 중국과학원 자동화연구소 filed Critical 삼성전자주식회사
Priority to US11/320,672 priority Critical patent/US20060146062A1/en
Publication of KR20060079060A publication Critical patent/KR20060079060A/ko
Application granted granted Critical
Publication of KR100707195B1 publication Critical patent/KR100707195B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및 장치가 개시된다. 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법은 동일한 얼굴의 제1 이미지 및 제2 이미지를 검출하는 단계, 검출된 제1 이미지 및 제2 이미지를 각각 소정 크기로 나누고, 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 및 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 각각 검출하는 단계, 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들 및 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성하는 단계, 제1 텍스쳐 정보들과 제1 텍스쳐 정보들에 대응하는 제2 텍스쳐 정보들 각각의 유사도를 검사하는 단계 및 검사된 유사도에 따라, 얼굴의 동일성을 인식할 수 있는 제1 분류자들을 제1 부분 이미지들로부터 검출하는 단계를 구비하는 것을 특징으로 한다. 따라서, 본 발명에 따르면, 얼굴 인식에 있어서, 얼굴의 텍스쳐 정보를 이용하여 얼굴의 동일성을 판단하기 때문에 정확하게 얼굴 인식을 할 수 있도록 한다.

Description

얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및 장치{Method and apparatus for detecting classifier having texture information of face, Method and apparatus for recognizing face using statistical character of the texture information}
도 1은 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법을 설명하기 위한 일 실시예의 플로차트이다.
도 2는 도 1에 도시된 제14 단계를 설명하기 위한 일 실시예의 플로차트이다.
도 3은 도 1에 도시된 제1 분류자들을 검출하는 방법을 예를 들어 설명하기 위한 도면이다.
도 4는 도 1에 도시된 제2 분류자들을 검출하는 방법을 예를 들어 설명하기 위한 도면이다.
도 5는 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법을 설명하기 위한 일 실시예의 플로차트이다.
도 6은 도 5에 도시된 제54 단계를 설명하기 위한 일 실시예의 플로차트이다.
도 7은 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치를 설명 하기 위한 일 실시예의 블록도이다.
도 8은 도 7에 도시된 텍스쳐 정보 생성부를 설명하기 위한 일 실시예의 블록도이다.
도 9는 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치를 설명하기 위한 일 실시예의 블록도이다.
도 10은 도 9에 도시된 텍스쳐 정보 생성부를 설명하기 위한 일 실시예의 블록도이다.
<도면의 주요 부호에 대한 간단한 설명>
100: 얼굴 이미지 검출부 110: 부분 이미지 검출부
120: 텍스쳐 정보 생성부 130: 유사도 검사부
140: 제1 분류자 검출부 150: 제2 분류자 검출부
200: 정보 검출부 210: 히스토그래밍부
300: 얼굴 이미지 검출부 310: 부분 이미지 검출부
320: 텍스쳐 정보 생성부 330: 유사도 검사부
340: 얼굴 인식부 400: 정보 검출부
410: 히스토그래밍부
본 발명은 생체 인식 기술 중 얼굴 인식기술에 관한 것으로, 보다 상세하게 는 얼굴에 대한 텍스쳐 정보의 통계적 특성을 이용해 얼굴의 동일성 여부를 인식하는 얼굴 인식을 위한 분류자 검출방법 및 장치와 분류자를 이용한 얼굴 인식방법 및 장치에 관한 것이다.
최근에는 빌딩 출입자들의 신원파악을 위해서 출입카드를 사용해야 하는 경우들이 많아지고 있으나, 지금까지의 방식은 각 개인에게 부여된 키카드(key card)나 키패드(key pad)를 카드판독기에 접촉시켜 자신의 신분을 알리는 방법을 사용하고 있다. 이 방식은 키카드나 키패드를 항상 휴대하고 다녀야 한다는 불편함과 함께, 그것들의 도난이나 분실시 타인의 출입이 허용될 수 있다는 점에서 보안상의 문제가 발생할 수 있다.
이와 같은 부작용과 역기능을 최소화하기 위해서 최근에 들어서 국내외에서는 인간이 가지는 있는 각자의 고유한 생물학적 또는 행동상의 특징들을 이용하여 자동으로 개개인의 신원을 인식 또는 확인하는 생체 인식 기술이 각광을 받고 있다. 신뢰성 있는 생체 인식 시스템은 현금인출카드의 비밀번호 대체 효과와 빌딩의 출입자관리시스템에 이용되는 것 이외에도 은행의 금고와 같은 고도의 주의가 요구되는 경우, 회사나 공항의 보안 시스템, 미래의 인간과 기계사이의 인터페이스 등 일반적인 활용 범위를 가지려는 추세이며, 보다 적용이 용이하면서 더욱 높은 신뢰도를 갖게 하려는 많은 연구가 이루어지고 있다.
생체 인식 시스템(Biometric System)은 신체적 특징을 이용한 개인확인 및 인증 시스템을 말한다. 생체 인식 기술 협회에서는 생체 인식 기술을 '자동화된 수단으로 특정 개인의 특성을 검증하거나 신원을 인식하기 위해, 측정 가능한 물리적 특성 또는 개인의 특징을 연구하는 학문'으로 정의하고 있다. 이러한 생체 인식 기술에서의 개인 특성은 절도나 누출에 의하여 전달할 수 없으며 변경되거나 분실할 위험성도 없으므로, 이러한 기법을 사용할 경우 보안 침해를 누가 행했는지 추적이 가능해지는 등, 감사(Audit)기능이 완벽하게 구축될 수 있다는 장점이 있다.
이러한 생체 인식 시스템을 구현하는데 있어서 사용하게 되는 개인의 특성으로서는 지문(Fingerprint), 얼굴(Face), 장문(Palmprint), 손모양(Hand geometry), 열상(Thermal image), 음성(Voice), 필체(Signature), 혈관(Vein), 타이핑(Typing keystroke dynamics), 망막(Retina) 그리고 홍채(Iris) 등이 있다.
특히, 얼굴인식 기술은 인간이 타인의 신원확인을 할 때 가장 많이 사용하는 것이 얼굴의 형상이기 때문에 가장 자연스럽고 거부감이 상대적으로 적은 생체인식 기술이다.
그러나, 종래의 얼굴 인식 기술은 얼굴의 얼굴의 윤곽 등의 특징을 비교하여 동일성 여부를 판단함으로써, 동일 인물이 아닌 사람을 동일 인물로 인식하거나, 동일한 인물을 조명, 표정, 자세 등의 영향에 의해 동일하지 않다고 인식하는 등 얼굴 인식에 있어서 오류를 범하는 경우가 자주 발생하는 문제점이 있다.
본 발명이 이루고자 하는 기술적 과제는 얼굴의 텍스쳐 정보를 갖는 분류자를 검출하는 방법을 제공하는데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 검출된 분류자의 텍스쳐 정보의 유사도를 검사하여 얼굴의 동일성 여부를 인식하는 방법을 제공하는데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 얼굴의 텍스쳐 정보를 갖는 분류자를 검출하는 장치를 제공하는데 있다.
본 발명이 이루고자 하는 다른 기술적 과제는 검출된 분류자의 텍스쳐 정보의 유사도를 검사하여 얼굴의 동일성 여부를 인식하는 장치를 제공하는데 있다.
상기의 과제를 이루기 위해, 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법은 동일한 얼굴의 제1 이미지 및 제2 이미지를 검출하는 단계, 검출된 제1 이미지 및 제2 이미지를 각각 소정 크기로 나누고, 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 및 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 각각 검출하는 단계, 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들 및 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성하는 단계, 제1 텍스쳐 정보들과 제1 텍스쳐 정보들에 대응하는 제2 텍스쳐 정보들 각각의 유사도를 검사하는 단계 및 검사된 유사도에 따라, 얼굴의 동일성을 인식할 수 있는 제1 분류자들을 제1 부분 이미지들로부터 검출하는 단계를 구비하는 것을 특징으로 한다.
상기의 다른 과제를 이루기 위해, 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법은 얼굴의 이미지를 검출하는 단계, 검출된 이미지를 소정 크기로 구분하고, 구분된 부분들 중 얼굴의 동일성 인식에 유용한 분류자들에 해당하는 부분 이미지들을 검출하는 단계, 검출된 부분 이미지들 각각의 텍스쳐 정 보들을 생성하는 단계, 생성된 텍스쳐 정보들과 기 저장된 얼굴의 텍스쳐 정보들의 유사도를 검사하는 단계 및 검사된 유사도에 따라, 얼굴의 동일성 여부를 인식하는 단계를 구비하는 것을 특징으로 한다.
상기의 다른 과제를 이루기 위해, 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치는 동일한 얼굴의 제1 이미지 또는 제2 이미지를 검출하는 얼굴 이미지 검출부, 검출된 제1 이미지 또는 제2 이미지를 소정 크기로 나누고, 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 또는 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 검출하는 부분 이미지 검출부, 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들 또는 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성하는 텍스쳐 정보 생성부, 제1 텍스쳐 정보들과 제1 텍스쳐 정보들에 대응하는 제2 텍스쳐 정보들 각각의 유사도를 검사하는 유사도 검사부 및 검사된 유사도에 따라, 얼굴의 동일성을 인식할 수 있는 제1 분류자들을 제1 부분 이미지들로부터 검출하는 제1 분류자 검출부를 구비하는 것을 특징으로 한다.
상기의 다른 과제를 이루기 위해, 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치는 얼굴의 이미지를 검출하는 얼굴 이미지 검출부, 검출된 이미지를 소정 크기로 구분하고, 구분된 부분들 중 얼굴의 동일성 인식에 유용한 분류자들에 해당하는 부분 이미지들을 검출하는 부분 이미지 검출부, 검출된 부분 이미지들 각각의 텍스쳐 정보들을 생성하는 텍스쳐 정보 생성부, 생성된 텍스쳐 정보들과 기 저장된 얼굴의 텍스쳐 정보들의 유사도를 검사하는 유사도 검사부 및 검사된 유사도에 따라, 얼굴의 동일성 여부를 인식하는 얼굴 인식부를 구비하는 것을 특징으로 한다.
이하, 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법을 첨부된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법을 설명하기 위한 일 실시예의 플로차트이다.
먼저, 동일한 얼굴의 제1 이미지 및 제2 이미지를 검출한다(제10 단계). 동일한 얼굴에 대해 두개의 이미지 즉, 제1 및 제2 이미지를 각각 검출할 때, 얼굴의 동일한 방향에서 검출하는 것이 바람직하다.
정면이 아닌 얼굴의 이미지들을 검출하게 되면, 정면이 아닌 얼굴 이미지들에 대해 얼굴의 눈의 위치를 기준으로 정면을 향하는 얼굴 이미지들로 일반화하는 것을 특징으로 한다.
검출된 제1 이미지 및 제2 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 한다. 제1 이미지 및 제2 이미지를 필터링함으로써, 얼굴에 나타나는 미세한 잡음(noise) 등을 제거할 수 있다.
제10 단계 후에, 검출된 제1 이미지 및 제2 이미지를 각각 소정 크기로 나누고, 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 및 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 각각 검출한다(제12 단계). 제1 이미지로부터 다수의 제1 부분 이미지들을 검출하기 위해 소정 크 기를 갖는 윈도우를 사용한다. 또한, 제2 이미지로부터 다수의 제2 부분 이미지들을 검출하기 위해 소정 크기를 갖는 윈도우를 사용한다. 제1 및 제2 이미지의 크기가 130[pixel]×150[pixel]의 크기를 갖는다면, 소정 윈도우 크기인 20[pixel]×20[pixel]의 크기를 갖는 다수의 제1 및 제2 부분 이미지들을 각각 검출한다.
한편, 검출되는 제1 부분 이미지들은 이미지의 소정 부분이 각각 중첩되는 것을 특징으로 한다. 예를 들어, 소정 픽셀 만큼씩 이미지가 서로 중첩되도록 한다. 따라서 서로 인접하는 부분 이미지들은 중첩되는 영역에서 동일한 이미지를 공유하게 된다.
제2 부분 이미지들도 이미지의 소정 부분이 각각 중첩되는 것을 특징으로 한다.
제12 단계 후에, 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들 및 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성한다(제14 단계).
도 2는 도 1에 도시된 제14 단계를 설명하기 위한 일 실시예의 플로차트이다.
먼저, 로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 제1 부분 이미지들 및 제2 부분 이미지들로부터 각각 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들을 검출한다(제30 단계).
특히, 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던 트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하여 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들을 검출하는 것을 특징으로 한다.
모폴로지 웨이브렛 방식은 특정 디지털 신호에서 모폴로지 연산을 이용하여 원하는 정보를 검출하는 방식을 말한다. 이러한 모폴로지 웨이브렛 방식은 일반적인 개념으로 이하 상세한 설명을 생략하고, 하 모폴로지 웨이브렛 방식에 의한 텍스쳐 정보들의 검출을 간단히 설명한다. 하 모폴로지 웨이브렛 방식은 다음의 수학식 1을 사용한다.
Sn=min[x2n, x2n+1]
dn=x2n- x2n+1
여기서, x2n 및 x2n+1은 각각 픽셀 화소값을 나타내고, Sn은 x2n 및 x2n+1 중 최소의 화소값을 의미하고, dn는 x2n와 x2n+1의 화소값의 차를 의미한다.
상기와 같은 수식을 이용하여, 연산을 부분 이미지의 가로 방향과 세로방향으로 반복해서 계산함으로써, 텍스쳐 정보를 검출한다.
제30 단계 후에, 검출된 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들을 각각 히스토그램화한다(제32 단계). 검출된 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들 각각에 대해 밝기에 따라 픽셀 갯수를 히스토그램화한다.
가로축은 소정 크기로 구분된 밝기들(예를 들어, 256 단계로 구분된 밝기)을 나타내고, 세로축은 하나의 텍스쳐 정보에 포함된 각 밝기들 각각의 픽셀 갯수를 나타낸다.
제14 단계 후에, 제1 텍스쳐 정보들과 제1 텍스쳐 정보들에 대응하는 제2 텍스쳐 정보들 각각의 유사도를 검사한다(제16 단계). 제30 단계에서 히스토그램화 된 제1 텍스쳐 정보들과 제2 텍스쳐 정보들을 서로 비교하여 각각의 유사도를 검사한다. 즉, 제1 텍스쳐 정보들 중 특정 텍스쳐 정보의 밝기에 따른 픽셀 개수와 제2 텍스쳐 정보들 중 이 특정 텍스쳐 정보에 대응하는 텍스쳐 정보의 밝기에 따른 픽셀 개수를 비교하여 유사도를 검사한다.
이와 같은 방식으로 제1 텍스쳐 정보들과 제1 텍스쳐 정보들에 대응하는 제2 텍스쳐 정보들의 유사도를 모두 검사한다.
특히, 유사도를 검사하는 방식으로 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 유사도를 검사하는 것을 특징으로 한다. 이미지의 텍스쳐 변화에 대한 유사도를 판단하기 위해 히스토그램을 사용한다. 이러한 히스토그램의 유사도를 비교하기 위해 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용한다.
카이 스퀘어 길이를 이용한 유사도를 판단하기 위해 다음의 수학식 2를 사용한다.
Figure 112005029183282-PAT00001
여기서, Si는 제1 텍스쳐 정보들 중 특정 텍스쳐 정보의 i번째 밝기의 픽셀 갯수를 나타내고, Mi는 제2 텍스쳐 정보들 중 전술한 특정 텍스쳐 정보에 대응하는 텍스쳐 정보의 i번째 밝기의 픽셀 갯수를 나타낸다.
한편, 쿨백-라이블러 길이를 이용한 유사도를 판단하기 위해 다음의 수학식 3 또는 수학식 4를 사용한다.
Figure 112005029183282-PAT00002
Figure 112005029183282-PAT00003
여기서, Si는 제1 텍스쳐 정보들 중 특정 텍스쳐 정보의 i번째 밝기의 픽셀 갯수를 나타내고, Mi는 제2 텍스쳐 정보들 중 전술한 특정 텍스쳐 정보에 대응하는 텍스쳐 정보의 i번째 밝기의 픽셀 갯수를 나타낸다.
한편, 젠슨-쉐논 길이를 이용한 유사도를 판단하기 위해 다음의 수학식 5를 사용한다.
Figure 112005029183282-PAT00004
여기서, Si는 제1 텍스쳐 정보들 중 특정 텍스쳐 정보의 i번째 밝기의 픽셀 갯수를 나타내고, Mi는 제2 텍스쳐 정보들 중 전술한 특정 텍스쳐 정보에 대응하는 텍스쳐 정보의 i번째 밝기의 픽셀 갯수를 나타낸다.
히스토그램화 된 텍스쳐 정보들로부터 구해진 카이 스퀘어 길이, 쿨백-라이블러 길이 또는 젠슨-쉐논 길이의 크기가 작을 수록 제1 이미지 와 제2 이미지가 유사하다는 것을 나타낸다.
제1 텍스쳐 정보들의 모두와 이에 대응하는 제2 텍스쳐 정보들 모두에 대한 카이 스퀘어 길이, 쿨백-라이블러 길이 또는 젠슨-쉐논 길이가 구해진다. 각각의 텍스쳐 정보에 대한 이러한 값들이 후술할 제1 분류자들의 검출을 위해 사용된다.
제16 단계 후에, 검사된 유사도에 따라, 얼굴의 동일성을 인식할 수 있는 제1 분류자들을 제1 부분 이미지들로부터 검출한다(제18 단계).
전술한 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 각각의 텍스쳐 정보들에 대한 유사도를 검사한 결과, 검사한 값이 소정 임계치 이하에 해당하는 텍스쳐 정보들을 제1 분류자들로서 검출한다.
제1 텍스쳐 정보들과 제2 텍스쳐 정보들 각각의 유사도를 검사한 결과, 검출된 카이 스퀘어 길이, 쿨백-라이블러 길이 또는 젠슨-쉐논 길이의 크기가 소정 임계치 이하인 텍스쳐 정보들의 부분 이미지들을 제1 분류자들로서 검출한다. 즉, 제1 분류자들은 제1 부분 이미지들 중에서 얼굴의 동일성 인식에 효과적인 부분 이미지들이 추출된 것이다.
도 3은 도 1에 도시된 제1 분류자들을 검출하는 방법을 예를 들어 설명하기 위한 도면이다. 먼저 동일한 얼굴에 대한 제1 이미지 및 제2 이미지를 검출한다. 검출된 제1 이미지 및 제2 이미지 각각의 부분 이미지들에 해당하는 제1 부분 이미지들 및 제2 부분 이미지들을 검출한다. 검출된 제1 부분 이미지들 각각의 제1 텍스쳐 정보들을 검출하고, 제2 부분 이미지들 각각의 제2 텍스쳐 정보들을 검출한다. 검출된 제1 텍스쳐 정보들 각각을 히스토그램화 하고, 제2 텍스쳐 정보들 각각을 히스토그램화 한다. 히스토그램화 된 제1 텍스쳐 정보들과 제2 텍스쳐 정보들의 유사도를 검사하고, 검사된 유사도로부터 얼굴의 동일성 인식에 효과적인 제1 분류자들을 검출한다.
한편, 제1 이미지 및 제2 이미지로부터 검출되는 부분 이미지들에 대해 윈도우 크기를 달리하면서 전술한 제12 단계 내지 제18 단계를 반복하면서 또 다른 제1 분류자들을 검출한다. 이렇게 함으로써 윈도우 크기가 다양한 제1 분류자들을 검출할 수 있다.
제16 단계 후에, 검출된 제1 분류자들 중 얼굴의 동일성 인식에 유용한 제2 분류자들을 베이지안 네트워크(Bayesian Network)방식을 사용하여 검출한다(제20 단계). 베이지안 네트워크는 변수들간의 원인-결과 관계를 확률적으로 모델링하기 위한 도구로서 소프트웨어 사용자의 목적을 추론하기 위해 널리 이용된다.
생성된 수많은 제1 분류자들을 윈도우 크기가 같은 분류자들 별로 묶고, 베이지안 네트워크를 사용하여 묶여진 제1 분류자들의 각각의 신뢰값(confidence)을 학습하고, 학습된 신뢰값을 제1 분류자들에 곱해줌으로써 제2 분류자들을 검출한다.
도 4는 도 1에 도시된 제2 분류자들을 검출하는 방법을 예를 들어 설명하기 위한 도면이다. 도 4에 도시된 바와 같이, 제12 단계 내지 제16 단계의 반복에 의해 검출된 윈도우 크기가 다른 다양한 제1 분류자들 중 동일한 윈도우 크기를 갖는 제1 분류자들 별로 구분하고, 구분된 제1 분류자들 중에서 베이지안 네트워크를 사용하여 각각의 제2 분류자들을 검출한다. 검출된 제2 분류자들은 후술할 얼굴 인식방법에 사용된다.
이하, 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법을 첨부된 도면을 참조하여 상세히 설명한다.
도 5는 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법을 설명하기 위한 일 실시예의 플로차트이다.
먼저, 얼굴의 이미지를 검출한다(제50 단계). 얼굴의 이미지를 검출할 때, 정면이 아닌의 얼굴의 이미지를 검출하게 되면, 정면이 아닌 얼굴 이미지에 대해 얼굴의 눈의 위치를 기준으로 정면을 향하는 얼굴 이미지로 일반화하는 것을 특징으로 한다.
검출된 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 한다. 이미지를 필터링함으로써, 얼굴에 나타나는 미세한 잡티 등을 제거할 수 있다.
제50 단계 후에, 검출된 이미지로부터 얼굴의 동일성 인식에 유용한 분류자들에 해당하는 부분 이미지들을 검출한다(제52 단계).
얼굴의 동일성 인식에 유용한 분류자들에 대한 정보는 도 1에 도시된 얼굴 인식을 위한 분류자 검출방법으로부터 미리 검출되어 정보로서 구비되어 있다. 특히, 분류자들로서 베이지안 네트워크(Bayesian Network)방식에 의해 검출된 제2 분류자들을 얼굴의 동일성 인식에 유용한 분류자들로서 사용한다.
검출되는 부분 이미지들은 이미지의 소정 부분이 각각 중첩되는 것을 특징으로 한다. 예를 들어, 소정 픽셀 만큼씩 이미지가 서로 중첩되도록 한다. 따라서 서로 인접하는 부분 이미지들은 중첩되는 영역에서 동일한 이미지를 공유하게 된다.
제52 단계 후에, 검출된 부분 이미지들 각각의 텍스쳐 정보들을 생성한다(제54 단계).
도 6은 도 5에 도시된 제54 단계를 설명하기 위한 일 실시예의 플로차트이다.
먼저, 로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 구분 이미지들 각각으로부터 텍스쳐 정보들을 검출한다(제70 단계).
특히, 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던 트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하여 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들을 검출하는 것을 특징으로 한다.
제70 단계 후에, 검출된 텍스쳐 정보들을 히스토그램화한다(제72 단계).
검출된 텍스쳐 정보들에 대해 밝기에 따라 픽셀 갯수를 히스토그램화한다. 가로축은 소정 크기로 구분된 밝기들(예를 들어, 256 단계로 구분된 밝기)을 나타내고, 세로축은 하나의 텍스쳐 정보에 포함된 각 밝기들 각각의 픽셀 갯수를 나타낸다.
제54 단계 후에, 생성된 텍스쳐 정보들과 기 저장된 얼굴의 텍스쳐 정보들의 유사도를 검사한다(제56 단계). 제70 단계에서 생성된 히스토그램화 된 텍스쳐 정보들과 얼굴의 동일성 인식을 위해 미리 소정 저장공간에 저장되어 있던 히스토그램화 된 텍스쳐 정보들의 유사도를 비교한다.
특히, 유사도를 검사하는 방식으로 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 유사도를 검사하는 것을 특징으로 한다.
제56 단계 후에, 검사된 유사도에 따라, 얼굴의 동일성 여부를 인식한다(제58 단계).
전술한 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어 느 한 척도를 사용하여 각각의 텍스쳐 정보들에 대한 유사도를 검사한 결과, 검사한 값들의 평균이 얼굴의 동일성 판단을 위한 소정 임계치 이하에 해당하면, 이미지가 검출된 얼굴을 기 저장된 얼굴과 동일 인물로 인식한다. 그러나, 검사한 값들의 평균이 소정 임계치 이하가 아니라면, 기 저장된 얼굴과 동일 인물이 아니라고 인식한다. 다만, 검사된 값의 평균을 소정 임계치와 비교하여 얼굴의 동일성을 인식하는 방법은 일 예에 지나지 않으며, 다른 변형 예가 있을 수 있다.
이하, 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치를 첨부된 도면을 참조하여 상세히 설명한다.
도 7은 본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치를 설명하기 위한 일 실시예의 블록도로서, 얼굴 이미지 검출부(100), 부분 이미지 검출부(110), 텍스쳐 정보 생성부(120), 유사도 검사부(130), 제1 분류자 검출부(140) 및 제2 분류자 검출부(150)로 구성된다.
얼굴 이미지 검출부(100)는 동일한 얼굴의 제1 이미지 또는 제2 이미지를 검출하고, 검출한 결과를 부분 이미지 검출부(110)로 출력한다.
얼굴 이미지 검출부(100)는 얼굴이 정면을 향하는 방향에 대한 제1 이미지 또는 제2 이미지를 검출하는 것을 특징으로 한다.
얼굴 이미지 검출부(100)는 제1 이미지 또는 제2 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 한다. 얼굴 이미지 검출부(100)는 제1 이미지 및 제2 이미지를 필터링함으로써, 얼굴에 나타나는 미세한 잡티 등을 제거한다.
부분 이미지 검출부(110)는 검출된 제1 이미지 또는 제2 이미지를 소정 크기로 나누고, 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 또는 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 검출한다. 부분 이미지 검출부(110)는 제1 이미지로부터 다수의 제1 부분 이미지들을 검출하기 위해 소정 크기를 갖는 윈도우를 사용한다. 또한, 부분 이미지 검출부(110)는 제2 이미지로부터 다수의 제2 부분 이미지들을 검출하기 위해 소정 크기를 갖는 윈도우를 사용한다.
부분 이미지 검출부(110)는 제1 부분 이미지들이 각각 소정 부분만큼 중첩되도록 이미지들을 검출하거나, 제2 부분 이미지들이 각각 소정 부분만큼 중첩되도록 이미지들을 검출하는 것을 특징으로 한다. 부분 이미지 검출부(110)가 소정 픽셀 만큼씩 이미지가 서로 중첩되도록 검출함으로써, 서로 인접하는 부분 이미지들은 중첩되는 영역에서 동일한 이미지를 공유하게 된다.
텍스쳐 정보 생성부(120)는 부분 이미지 검출부(110)에서 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들을 생성하거나, 부분 이미지 검출부(110)에서 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성한다.
도 8은 도 7에 도시된 텍스쳐 정보 생성부(120)를 설명하기 위한 일 실시예의 블록도로서, 정보 검출부(200) 및 히스토그래밍부(210)로 구성된다.
정보 검출부(200)는 로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 제1 부분 이미지들로부터 제1 텍스쳐 정보들을 검출하거나, 제2 부분 이미 지들로부터 제2 텍스쳐 정보들을 검출한다.
정보 검출부(200)는 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하는 것을 특징으로 한다.
히스토그래밍부(210)는 정보 검출부(200)에서 검출된 제1 텍스쳐 정보들 또는 제2 텍스쳐 정보들을 히스토그램화한다. 히스토그래밍부(210)는 검출된 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들 각각에 대해 밝기에 따라 픽셀 갯수를 히스토그램화한다. 히스토그램화 된 텍스쳐 정보들은 가로축이 소정 크기로 구분된 밝기들(예를 들어, 256 단계로 구분된 밝기)을 나타내고, 세로축이 하나의 텍스쳐 정보에 포함된 각 밝기들 각각의 픽셀 갯수를 나타낸다.
유사도 검사부(130)는 히스토그래밍부(210)에서 히스토그램화 된 제1 텍스쳐 정보들과 제2 텍스쳐 정보들을 서로 비교하여 각각의 유사도를 검사한다. 즉, 유사도 검사부(130)는 제1 텍스쳐 정보들 중 특정 텍스쳐 정보의 밝기에 따른 픽셀 개수와 제2 텍스쳐 정보들 중 이 특정 텍스쳐 정보에 대응하는 텍스쳐 정보의 밝기에 따른 픽셀 개수를 비교하여 유사도를 검사한다. 유사도 검사부(130)는 이와 같은 방식으로 제1 텍스쳐 정보들과 제1 텍스쳐 정보들에 대응하는 제2 텍스쳐 정보들의 유사도를 모두 검사한다.
특히, 유사도 검사부(130)는 유사도를 검사하는 방식으로 카이 스퀘어 길이 (Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 유사도를 검사하는 것을 특징으로 한다. 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance)를 이용한 유사도 검사 방식은 전술한 바와 같으므로 설명을 생략한다.
제1 분류자 검출부(140)는 유사도 검사부(130)에서 검사된 유사도에 따라, 얼굴의 동일성을 인식할 수 있는 제1 분류자들을 제1 부분 이미지들로부터 검출한다. 전술한 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 각각의 텍스쳐 정보들에 대한 유사도를 검사한 결과를 입력받으면, 제1 분류자 검출부(140)는 검사한 값이 소정 임계치 이하에 해당하는 텍스쳐 정보들을 제1 분류자들로서 검출한다.
제2 분류자 검출부(150)는 검출된 제1 분류자들 중 얼굴의 동일성 인식에 유용한 제2 분류자들을 베이지안 네트워크(Bayesian Network)방식을 사용하여 검출한다.
이하, 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치를 첨부된 도면을 참조하여 상세히 설명한다.
도 9는 본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치를 설명하기 위한 일 실시예의 블록도로서, 얼굴 이미지 검출부(300), 부분 이미지 검출부(310), 텍스쳐 정보 생성부(320), 유사도 검사부(330) 및 얼굴 인식부(340) 로 구성된다.
얼굴 이미지 검출부(300)는 얼굴의 이미지를 검출하고, 검출한 결과를 부분 이미지 검출부(310)로 출력한다.
얼굴 이미지 검출부(300)는 얼굴이 정면을 향하는 방향에 대한 이미지를 검출하는 것을 특징으로 한다.
얼굴 이미지 검출부(300)는 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 한다. 얼굴 이미지 검출부(300)는 이미지를 필터링함으로써, 얼굴에 나타나는 미세한 잡티 등을 제거한다.
부분 이미지 검출부(310)는 검출된 이미지로부터 얼굴의 동일성 인식에 유용한 분류자들에 해당하는 부분 이미지들을 검출하고, 검출한 결과를 텍스쳐 정보 생성부(320)로 출력한다. 부분 이미지 검출부(310)는 도 7의 얼굴 인식을 위한 분류자 검출장치에 의해 미리 검출된 얼굴의 동일성 인식에 유용한 분류자들에 대한 정보를 구비하고 있다. 특히, 부분 이미지 검출부(310)는 분류자들로서 베이지안 네트워크(Bayesian Network)방식에 의해 검출된 제2 분류자들을 얼굴의 동일성 인식에 유용한 분류자들로서 사용한다.
부분 이미지 검출부(310)는 부분 이미지들이 각각 소정 부분만큼 중첩되도록 이미지들을 검출하는 것을 특징으로 한다.
텍스쳐 정보 생성부(320)는 부분 이미지 검출부(310)에서 검출된 부분 이미지들 각각의 텍스쳐 정보들을 생성하고, 생성한 결과를 유사도 검사부(330)로 출력 한다.
도 10은 도 9에 도시된 텍스쳐 정보 생성부(320)를 설명하기 위한 일 실시예의 블록도로서, 정보 검출부(400) 및 히스트그래밍부(410)로 구성된다.
정보 검출부(400)는 로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 부분 이미지들로부터 텍스쳐 정보들을 검출한다.
특히, 정보 검출부(400)는 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하는 것을 특징으로 한다.
히스트그래밍부(410)는 검출된 텍스쳐 정보들을 히스토그램화 한다. 히스토그래밍부(410)는 검출된 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들 각각에 대해 밝기에 따라 픽셀 갯수를 히스토그램화한다. 히스토그램화 된 텍스쳐 정보들은 가로축이 소정 크기로 구분된 밝기들(예를 들어, 256 단계로 구분된 밝기)을 나타내고, 세로축이 하나의 텍스쳐 정보에 포함된 각 밝기들 각각의 픽셀 갯수를 나타낸다.
유사도 검사부(330)는 생성된 텍스쳐 정보들과 기 저장된 얼굴의 텍스쳐 정보들의 유사도를 검사한다. 유사도 검사부(330)는 히스트그래밍부(410)에서 생성된 히스토그램화 된 텍스쳐 정보들과 얼굴의 동일성 인식을 위해 미리 소정 저장공간에 저장되어 있던 히스토그램화 된 텍스쳐 정보들의 유사도를 비교한다.
유사도 검사부(330)는 카이 스퀘어 길이(Chi square distance), 쿨백-라이블 러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 상기 유사도를 검사하는 것을 특징으로 한다.
얼굴 인식부(340)는 유사도 검사부(330)에서 검사된 유사도에 따라, 얼굴의 동일성 여부를 인식한다.
전술한 카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 각각의 텍스쳐 정보들에 대한 유사도를 검사한 결과, 검사한 값들의 평균이 얼굴의 동일성 판단을 위한 소정 임계치 이하에 해당하면, 얼굴 인식부(340)는 이미지가 검출된 얼굴을 기 저장된 얼굴과 동일 인물로 인식한다. 그러나, 검사한 값들의 평균이 소정 임계치 이하가 아니라면, 얼굴 인식부(340)는 기 저장된 얼굴과 동일 인물이 아니라고 인식한다.
얼굴 인식부(340)가 검사된 값의 평균을 소정 임계치와 비교하여 얼굴의 동일성을 인식하는 방식은 일 예에 지나지 않으며, 얼굴의 동일성를 인식하기 위해 검사된 값을 달리 이용하여 동일성 여부를 판단할 수 있다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 읽을 수 있는 코드/명령들(instructions)/프로그램으로 구현될 수 있고, 매체, 예를 들면 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 코드/명령들/프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크, 마그네틱 테이프 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷 을 통한 전송)와 같은 저장 매체를 포함한다. 또한, 본 발명의 실시예들은 컴퓨터로 읽을 수 있는 코드를 내장하는 매체(들)로서 구현되어, 네트워크를 통해 연결된 다수개의 컴퓨터 시스템들이 분배되어 처리 동작하도록 할 수 있다. 본 발명을 실현하는 기능적인 프로그램들, 코드들 및 코드 세그먼트(segment)들은 본 발명이 속하는 기술 분야의 프로그래머들에 의해 쉽게 추론될 수 있다.
이러한 본원 발명인 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및 장치는 이해를 돕기 위하여 도면에 도시된 실시예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.
본 발명에 의한 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및 장치는 얼굴 인식에 있어서, 얼굴의 텍스쳐 정보를 이용하여 얼굴의 동일성을 판단함으로써, 동일 인물이 아닌 사람을 동일 인물로 인식하거나, 동일한 인물을 조명, 표정, 자세 등의 영향에 의해 동일하지 않다고 인식하는 등 얼굴 인식에 있어서 오류를 범하는 것을 방지한다.
본 발명에 의한 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치는 얼굴 인식에 있어서 유용한 분류자들을 효과적으로 검출할 수 있도록 하고, 이러한 분류자들을 얼굴 인식에 사용하도록 함으로써, 얼굴의 동일성 여부를 판단하는데 있어서 신속한 결론에 도달할 수 있도록 하는 효과가 있다.

Claims (33)

  1. (a) 동일한 얼굴의 제1 이미지 및 제2 이미지를 검출하는 단계;
    (b) 상기 검출된 제1 이미지 및 제2 이미지를 각각 소정 크기로 나누고, 상기 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 및 상기 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 각각 검출하는 단계;
    (c) 상기 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들 및 상기 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성하는 단계;
    (d) 상기 제1 텍스쳐 정보들과 상기 제1 텍스쳐 정보들에 대응하는 상기 제2 텍스쳐 정보들 각각의 유사도를 검사하는 단계; 및
    (e) 상기 검사된 유사도에 따라, 상기 얼굴의 동일성을 인식할 수 있는 제1 분류자들을 상기 제1 부분 이미지들로부터 검출하는 단계를 구비하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  2. 제1 항에 있어서, 상기 (a) 단계는
    상기 얼굴이 정면을 향하는 방향에 대한 제1 이미지 및 제2 이미지를 검출하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  3. 제1 항에 있어서, 상기 (a) 단계는
    상기 제1 이미지 및 상기 제2 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  4. 제1 항에 있어서, 상기 (b) 단계는
    상기 제1 부분 이미지들이 각각 소정 부분만큼 중첩되고, 상기 제2 부분 이미지들이 각각 소정 부분만큼 중첩되는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  5. 제1 항에 있어서, 상기 (c) 단계는
    (c1) 로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 상기 제1 부분 이미지들 및 상기 제2 부분 이미지들로부터 각각 상기 제1 텍스쳐 정보들 및 상기 제2 텍스쳐 정보들을 검출하는 단계; 및
    (c2) 상기 검출된 제1 텍스쳐 정보들 및 제2 텍스쳐 정보들을 각각 히스토그램화하는 단계를 구비하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  6. 제5 항에 있어서, 상기 (c1) 단계는
    상기 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  7. 제1 항에 있어서, 상기 (d) 단계는
    카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 상기 유사도를 검사하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  8. 제1항에 있어서, 상기 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법은
    상기 (a) 단계 후에, 상기 검출된 이미지에 대해 크기를 달리 하여, 상기 (b) 단계 내지 상기 (e) 단계를 반복하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  9. 제1항에 있어서, 상기 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법은
    (f) 상기 (e) 단계 후에, 상기 검출된 제1 분류자들 중 상기 얼굴의 동일성 인식에 유용한 제2 분류자들을 베이지안 네트워크(Bayesian Network)방식을 사용하여 검출하는 단계를 더 구비하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법.
  10. (a) 얼굴의 이미지를 검출하는 단계;
    (b) 상기 검출된 이미지로부터 상기 얼굴의 동일성 인식에 유용한 분류자들에 해당하는 부분 이미지들을 검출하는 단계;
    (c) 상기 검출된 부분 이미지들 각각의 텍스쳐 정보들을 생성하는 단계;
    (d) 상기 생성된 텍스쳐 정보들과 기 저장된 상기 얼굴의 텍스쳐 정보들의 유사도를 검사하는 단계; 및
    (e) 상기 검사된 유사도에 따라, 상기 얼굴의 동일성 여부를 인식하는 단계를 구비하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  11. 제10 항에 있어서, 상기 (a) 단계는
    상기 얼굴이 정면을 향하는 방향에 대한 이미지를 검출하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  12. 제10 항에 있어서, 상기 (a) 단계는
    상기 얼굴의 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  13. 제10 항에 있어서, 상기 (b) 단계는
    베이지안 네트워크(Bayesian Network)방식에 의해 검출된 분류자들을 상기 부분 이미지들로서 검출하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  14. 제10 항에 있어서, 상기 (b) 단계는
    상기 부분 이미지들이 각각 소정 부분만큼 중첩되는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  15. 제10 항에 있어서, 상기 (c) 단계는
    (c1) 로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 상기 구분 이미지들 각각으로부터 상기 텍스쳐 정보들을 검출하는 단계; 및
    (c2) 상기 검출된 텍스쳐 정보들을 히스토그램화하는 단계를 구비하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  16. 제15 항에 있어서, 상기 (c1) 단계는
    상기 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브 렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  17. 제10 항에 있어서, 상기 (d) 단계는
    카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 상기 유사도를 검사하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법.
  18. 동일한 얼굴의 제1 이미지 또는 제2 이미지를 검출하는 얼굴 이미지 검출부;
    상기 검출된 제1 이미지 또는 제2 이미지를 소정 크기로 나누고, 상기 나뉘어진 제1 이미지의 부분 이미지들에 해당하는 제1 부분 이미지들 또는 상기 나뉘어진 제2 이미지의 부분 이미지들에 해당하는 제2 부분 이미지들을 검출하는 부분 이미지 검출부;
    상기 검출된 제1 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제1 텍스쳐 정보들 또는 상기 검출된 제2 부분 이미지들 각각의 텍스쳐 정보들에 해당하는 제2 텍스쳐 정보들을 생성하는 텍스쳐 정보 생성부;
    상기 제1 텍스쳐 정보들과 상기 제1 텍스쳐 정보들에 대응하는 상기 제2 텍스쳐 정보들 각각의 유사도를 검사하는 유사도 검사부; 및
    상기 검사된 유사도에 따라, 상기 얼굴의 동일성을 인식할 수 있는 제1 분류 자들을 상기 제1 부분 이미지들로부터 검출하는 제1 분류자 검출부를 구비하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  19. 제18 항에 있어서, 상기 얼굴 이미지 검출부는
    상기 얼굴이 정면을 향하는 방향에 대한 제1 이미지 또는 제2 이미지를 검출하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  20. 제18 항에 있어서, 상기 얼굴 이미지 검출부는
    상기 제1 이미지 또는 상기 제2 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  21. 제18 항에 있어서, 상기 부분 이미지 검출부는
    상기 제1 부분 이미지들이 각각 소정 부분만큼 중첩되도록 이미지들을 검출하거나, 상기 제2 부분 이미지들이 각각 소정 부분만큼 중첩되도록 이미지들을 검출하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  22. 제18 항에 있어서, 상기 텍스쳐 정보 생성부는
    로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 상기 제1 부분 이미지들로부터 상기 제1 텍스쳐 정보들을 검출하거나, 상기 제2 부분 이미지들 로부터 상기 제2 텍스쳐 정보들을 검출하는 정보 검출부; 및
    상기 검출된 제1 텍스쳐 정보들 또는 제2 텍스쳐 정보들을 히스토그램화하는 히스토그래밍부를 구비하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  23. 제22 항에 있어서, 상기 정보 검출부는
    상기 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  24. 제18 항에 있어서, 상기 유사도 검사부는
    카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 상기 유사도를 검사하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  25. 제18 항에 있어서, 상기 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치는
    상기 검출된 제1 분류자들 중 상기 얼굴의 동일성 인식에 유용한 제2 분류자 들을 베이지안 네트워크(Bayesian Network)방식을 사용하여 검출하는 제2 분류자 검출부를 더 구비하는 것을 특징으로 하는 얼굴의 텍스쳐 정보를 갖는 분류자 검출장치.
  26. 얼굴의 이미지를 검출하는 얼굴 이미지 검출부;
    상기 검출된 이미지로부터 상기 얼굴의 동일성 인식에 유용한 분류자들에 해당하는 부분 이미지들을 검출하는 부분 이미지 검출부;
    상기 검출된 부분 이미지들 각각의 텍스쳐 정보들을 생성하는 텍스쳐 정보 생성부;
    상기 생성된 텍스쳐 정보들과 기 저장된 상기 얼굴의 텍스쳐 정보들의 유사도를 검사하는 유사도 검사부; 및
    상기 검사된 유사도에 따라, 상기 얼굴의 동일성 여부를 인식하는 얼굴 인식부를 구비하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  27. 제26 항에 있어서, 상기 얼굴 이미지 검출부는
    상기 얼굴이 정면을 향하는 방향에 대한 이미지를 검출하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  28. 제26 항에 있어서, 상기 얼굴 이미지 검출부는
    상기 얼굴의 이미지에 대해 가우시안 로우 패스 필터(Gaussian low pass filter)를 사용하여 필터링하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  29. 제26 항에 있어서, 상기 부분 이미지 검출부는
    베이지안 네트워크(Bayesian Network)방식에 의해 검출된 분류자들을 상기 부분 이미지들로서 검출하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  30. 제26 항에 있어서, 상기 부분 이미지 검출부는
    상기 부분 이미지들이 각각 소정 부분만큼 중첩되도록 이미지들을 검출하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  31. 제26 항에 있어서, 상기 텍스쳐 정보 생성부는
    로컬 바이너리 패턴(LBP:Local Binary Pattern) 방식을 사용해, 상기 부분 이미지들 각각으로부터 상기 텍스쳐 정보들을 검출하는 정보 검출부; 및
    상기 검출된 텍스쳐 정보들을 히스토그램화하는 히스토그래밍부를 구비하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  32. 제31 항에 있어서, 상기 정보 검출부는
    상기 로컬 바이너리 패턴 방식 중 하 모폴로지 웨이브렛(Haar morphology wavelet)방식, 메디안 모폴로지 웨이브렛(median morphology wavelet)방식, 에로던트 모폴로지 웨이브렛(Erodent morphology wavelet)방식 및 확장 모폴로지 웨이브렛(expanded morphology wavelet)방식 중 어느 한 방식을 사용하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
  33. 제26 항에 있어서, 상기 유사도 검사부는
    카이 스퀘어 길이(Chi square distance), 쿨백-라이블러 길이(Kullback-Leibler distance) 및 젠슨-쉐논 길이(Jensen-Shannon distance) 중 어느 한 척도를 사용하여 상기 유사도를 검사하는 것을 특징으로 하는 텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식장치.
KR1020050046683A 2004-12-30 2005-06-01 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및장치 KR100707195B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US11/320,672 US20060146062A1 (en) 2004-12-30 2005-12-30 Method and apparatus for constructing classifiers based on face texture information and method and apparatus for recognizing face using statistical features of face texture information

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2004101018795 2004-12-30
CNA2004101018795A CN1797420A (zh) 2004-12-30 2004-12-30 一种基于统计纹理分析的人脸识别方法

Publications (2)

Publication Number Publication Date
KR20060079060A true KR20060079060A (ko) 2006-07-05
KR100707195B1 KR100707195B1 (ko) 2007-04-13

Family

ID=36818446

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050046683A KR100707195B1 (ko) 2004-12-30 2005-06-01 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및장치

Country Status (2)

Country Link
KR (1) KR100707195B1 (ko)
CN (1) CN1797420A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100860989B1 (ko) * 2006-12-18 2008-09-30 삼성전자주식회사 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법
KR100866792B1 (ko) * 2007-01-10 2008-11-04 삼성전자주식회사 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
KR100973999B1 (ko) * 2010-03-05 2010-08-05 (주)나인정보시스템 불규칙 조명 환경에 강인한 번호판 문자 분리 방법
KR101038706B1 (ko) * 2009-11-18 2011-06-02 장정아 화상 인증 방법 및 장치
KR101382172B1 (ko) * 2013-03-12 2014-04-10 건아정보기술 주식회사 얼굴 영상의 계층적 특징 분류 시스템 및 그 방법
CN106096550A (zh) * 2016-06-12 2016-11-09 朱兰英 一种基于面部图像的室内巡视核验系统

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100416596C (zh) * 2006-10-12 2008-09-03 上海交通大学 用贝叶斯网络分类器图像判别特征点位置的方法
CN100440248C (zh) * 2006-12-06 2008-12-03 北京中星微电子有限公司 一种图像方向校正装置及方法
CN100576231C (zh) * 2007-01-15 2009-12-30 中国科学院自动化研究所 图像采集装置及应用该装置的人脸识别系统和方法
KR20100010465A (ko) * 2008-07-22 2010-02-01 주식회사 미래인식 개인 식별 문자 및 생체 인식 정보 비교를 통한 출입 관리 장치 및 방법
JP2010272004A (ja) * 2009-05-22 2010-12-02 Sony Corp 判別装置及び判別方法、並びにコンピューター・プログラム
CN101937576B (zh) * 2010-09-08 2013-02-06 北京航空航天大学 一种结合多物理属性的动态纹理瀑布建模方法
US10147043B2 (en) 2013-03-15 2018-12-04 Ppg Industries Ohio, Inc. Systems and methods for texture assessment of a coating formulation
US10586162B2 (en) 2013-03-15 2020-03-10 Ppg Industries Ohio, Inc. Systems and methods for determining a coating formulation
CN103268623B (zh) * 2013-06-18 2016-05-18 西安电子科技大学 一种基于频域分析的静态人脸表情合成方法
NZ631047A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using kepler’s planetary motion laws
NZ631063A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using cross-normalization
NZ631068A (en) 2013-11-08 2015-10-30 Ppg Ind Ohio Inc Texture analysis of a coated surface using electrostatics calculations
US9818205B2 (en) 2016-02-19 2017-11-14 Ppg Industries Ohio, Inc. Simplified texture comparison engine
US10613727B2 (en) 2016-02-19 2020-04-07 Ppg Industries Ohio, Inc. Color and texture match ratings for optimal match selection
CN107832712A (zh) * 2017-11-13 2018-03-23 深圳前海微众银行股份有限公司 活体检测方法、装置和计算机可读存储介质
US11119035B2 (en) 2018-04-26 2021-09-14 Ppg Industries Ohio, Inc. Systems and methods for rapid coating composition determinations
US10970879B2 (en) 2018-04-26 2021-04-06 Ppg Industries Ohio, Inc. Formulation systems and methods employing target coating data results
US10871888B2 (en) 2018-04-26 2020-12-22 Ppg Industries Ohio, Inc. Systems, methods, and interfaces for rapid coating generation
US11874220B2 (en) 2018-04-26 2024-01-16 Ppg Industries Ohio, Inc. Formulation systems and methods employing target coating data results
CN109497886B (zh) * 2018-11-06 2020-11-17 瑞安市菁华科技有限公司 背景音乐实时播放系统
CN115546536A (zh) * 2022-09-22 2022-12-30 南京森林警察学院 一种象牙制品识别方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6775397B1 (en) * 2000-02-24 2004-08-10 Nokia Corporation Method and apparatus for user recognition using CCD cameras
US20030063781A1 (en) * 2001-09-28 2003-04-03 Koninklijke Philips Electronics N.V. Face recognition from a temporal sequence of face images
KR20030042403A (ko) * 2001-11-22 2003-05-28 조윤석 윤곽선 정합에 의한 이용한 얼굴 캐릭터 생성 방법
KR100474848B1 (ko) * 2002-07-19 2005-03-10 삼성전자주식회사 영상시각 정보를 결합하여 실시간으로 복수의 얼굴을검출하고 추적하는 얼굴 검출 및 추적 시스템 및 방법
KR100612848B1 (ko) * 2003-07-15 2006-08-14 삼성전자주식회사 다중시점 얼굴 데이터베이스 구축장치 및 방법과 다중시점얼굴기술자 생성장치 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100860989B1 (ko) * 2006-12-18 2008-09-30 삼성전자주식회사 얼굴 영상의 유사도 산출 방법 및 장치와 이를 이용한 얼굴영상 검색 방법 및 장치 그리고 얼굴 합성 방법
KR100866792B1 (ko) * 2007-01-10 2008-11-04 삼성전자주식회사 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
KR101038706B1 (ko) * 2009-11-18 2011-06-02 장정아 화상 인증 방법 및 장치
KR100973999B1 (ko) * 2010-03-05 2010-08-05 (주)나인정보시스템 불규칙 조명 환경에 강인한 번호판 문자 분리 방법
KR101382172B1 (ko) * 2013-03-12 2014-04-10 건아정보기술 주식회사 얼굴 영상의 계층적 특징 분류 시스템 및 그 방법
CN106096550A (zh) * 2016-06-12 2016-11-09 朱兰英 一种基于面部图像的室内巡视核验系统

Also Published As

Publication number Publication date
CN1797420A (zh) 2006-07-05
KR100707195B1 (ko) 2007-04-13

Similar Documents

Publication Publication Date Title
KR100707195B1 (ko) 얼굴의 텍스쳐 정보를 갖는 분류자 검출방법 및 장치와텍스쳐 정보의 통계적 특성을 이용한 얼굴 인식방법 및장치
Yoon et al. Altered fingerprints: Analysis and detection
Özgündüz et al. Off-line signature verification and recognition by support vector machine
Ko Multimodal biometric identification for large user population using fingerprint, face and iris recognition
Besbes et al. Multimodal biometric system based on fingerprint identification and iris recognition
Ross et al. Human recognition using biometrics: an overview.
JP6111297B2 (ja) 方法、装置、およびプログラム
US20060146062A1 (en) Method and apparatus for constructing classifiers based on face texture information and method and apparatus for recognizing face using statistical features of face texture information
KR100940902B1 (ko) 손가락 기하학 정보를 이용한 바이오 인식 방법
KR20080065866A (ko) 확장 국부 이진 패턴을 이용한 얼굴 기술자 생성 방법 및장치와 이를 이용한 얼굴 인식 방법 및 장치
Shawkat et al. The new hand geometry system and automatic identification
Lin et al. Optical sensor measurement and biometric-based fractal pattern classifier for fingerprint recognition
Ramachandran et al. Score level based fusion method for multimodal biometric recognition using palmprint and iris
Dewangan Human authentication using biometric recognition
Khanam et al. Analysis of finger vein feature extraction and recognition using DA and KNN methods
Ross et al. Multimodal human recognition systems
Marasco Secure Multibiometric Systems.
Pravinthraja et al. Multimodal biometrics for improving automatic teller machine security
Mahanta et al. A study on handwritten signature
Sharma et al. Human recognition methods based on biometric technologies
Choi et al. Facial fraud discrimination using detection and classification
Ravi et al. Concatenation of spatial and transformation features for off-line signature identification
Patil et al. Different techniques used in the process of feature extraction from fingerprint
Miron et al. Fuzzy logic method for partial fingerprint recognition
Gowthami et al. Face recognition based on SLTP method under different emotions

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment
FPAY Annual fee payment
LAPS Lapse due to unpaid annual fee